---
title: "Los mejores modelos abliterated en 2026: comparativa de GLM 5.3, DeepSeek V4.1 Flash y Qwen 3.8"
description: "Los mejores LLMs abliterated en 2026: GLM 5.3 para programar y DeepSeek V4.1 Flash para el menor número de rechazos, comparados por benchmarks, tasas de rechazo y precio de API."
canonical: "https://allmodels.io/es/guides/best-abliterated-models"
markdown: "https://allmodels.io/es/guides/best-abliterated-models.md"
author: "AllModels"
datePublished: "2026-11-03"
dateModified: "2026-11-04"
---

# Los mejores modelos abliterated en 2026

Qué puntuación obtienen en benchmarks independientes y hasta qué punto se han eliminado sus rechazos.

![Los logotipos de Qwen, GLM de Z.ai y DeepSeek](https://allmodels.io/assets/guides/abliterated-models-2026.svg)

*Los mejores modelos abliterated de 2026 se basan en tres familias de modelos abiertos: Qwen de Alibaba, GLM de Z.ai y DeepSeek.*

## ¿Qué es la abliteración?

Un modelo abliterated es un LLM de pesos abiertos al que se le ha eliminado el comportamiento de rechazo editando sus pesos, sin reentrenamiento. Una investigación de 2024 mostró que los rechazos de los modelos de chat dependen de una sola dirección en las activaciones internas del modelo, y los primeros modelos Llama 3 abliterated eliminaron esa dirección de los pesos. El nombre es una mezcla de "ablate" y "obliterate".

Las técnicas de abliteración han cambiado mucho desde principios de 2026, y el campo sigue avanzando rápido. Ya no se elimina una sola dirección de rechazo, sino varias: la ablación de rango arbitrario de Heretic, un subespacio de rechazo de rango 2 para DeepSeek V4.1 Flash con direcciones distintas para el chat y el razonamiento, y ediciones ajustadas para cada nivel de esfuerzo de razonamiento. Ahora el resultado depende mucho del modelo. Un método que elimina casi todos los rechazos de un modelo puede dejar muchos en otro.

Los principales builds abliterated vienen de unos pocos publicadores en Hugging Face. **dealignai** publica builds sin censura a nivel de pesos de GLM 5.3, GLM 5.3 Flash y DeepSeek V4.1 Flash 1017, cada uno con resultados publicados de rechazos en HarmBench y de MMLU. **orcarouter** publica builds sin censura de Qwen 3.8, GLM 5.3 Flash y DeepSeek V4.1 Flash. **Audn AI** publica Penclaw, una línea de modelos de frontera abliterated que incluye GLM 5.3. **p-e-w** creó Heretic, la herramienta de abliteración de código abierto detrás de miles de modelos de la comunidad, y también publica builds de Heretic de modelos Qwen.

### De Qwen a GLM 5.3

A principios de 2026, un modelo Qwen abliterated era la respuesta habitual a cuál es el mejor modelo abliterated. Eso cambió cuando Z.ai lanzó GLM 5.3 en agosto. GLM 5.3 ha sido el modelo abierto más importante del año para el desarrollo de software, y sigue por delante de DeepSeek V4.1 Flash en programación agéntica, aunque DeepSeek lanzó V4.1 Flash después y lo actualizó en octubre.

GLM 5.3 tiene dos variantes con arquitecturas distintas. **GLM 5.3** es un modelo mixture-of-experts de 753B que solo acepta texto. **GLM 5.3 Flash** es un modelo de 320B con 18B parámetros activos, y es multimodal: acepta imágenes además de texto. El modelo completo cuesta más por token, pero a noviembre de 2026 es el mejor modelo abierto para el desarrollo de software, y su versión abliterated es el mejor modelo abliterated para programar.

### Cómo se clasifican GLM 5.3, DeepSeek V4.1 Flash y Qwen 3.8

Artificial Analysis ejecuta las mismas evaluaciones en todos los modelos importantes. En la versión 5 de su Intelligence Index, DeepSeek V4.1 Flash 1017 y GLM 5.3 son los dos modelos de pesos abiertos con mayor puntuación, con 33 y 32. GLM 5.3 Flash obtiene 28 y Qwen 3.8 27B obtiene 20, el segundo mejor entre los modelos abiertos pequeños.

En programación, GLM 5.3 va por delante. Obtiene un 41.9% en Terminal-Bench 4.0, la evaluación de programación agéntica, frente al 33.8% de DeepSeek V4.1 Flash, y un 59.0% en SciCode frente al 55.9%. También lidera en CritPt, una evaluación de investigación en física, y alucina mucho menos: da una respuesta incorrecta en lugar de admitir que no está seguro en el 39% de las preguntas de conocimiento que falla, frente al 64% de DeepSeek. DeepSeek V4.1 Flash lidera en razonamiento general y conocimientos, y cuesta aproximadamente una octava parte por tarea.

#### Clasificación de Artificial Analysis: inteligencia, programación y coste

**Intelligence Index** (Más alto es mejor)

1. DeepSeek V4.1 Flash: 32,6
2. GLM 5.3: 31,7
3. GLM 5.3 Flash: 27,8
4. Qwen 3.8 27B: 20,1

**Programación agéntica (Terminal-Bench 4.0)** (Más alto es mejor)

1. GLM 5.3: 41,9%
2. DeepSeek V4.1 Flash: 33,8%
3. GLM 5.3 Flash: 32,8%
4. Qwen 3.8 27B: 5,6%

**Coste por tarea del Intelligence Index** (Más bajo es mejor)

1. GLM 5.3 Flash: $0,58
2. DeepSeek V4.1 Flash: $0,60
3. Qwen 3.8 27B: $3,53
4. GLM 5.3: $5,01

*Fuente: Artificial Analysis, noviembre de 2026. Modelos originales, no los builds abliterated.*

#### GLM 5.3, DeepSeek V4.1 Flash y Qwen 3.8 en las evaluaciones de Artificial Analysis

| Modelo | Intelligence Index | Terminal-Bench 4.0 | SciCode | CritPt | Tasa de alucinación | FrontierCode 2.0 | HLE-Diamond | Coste por tarea |
| --- | --- | --- | --- | --- | --- | --- | --- | --- |
| GLM 5.3 | 31.7 | **41.9%** | **59.0%** | **33.5%** | 38.9% | 21.6% | 17.9% | $5.01 |
| GLM 5.3 Flash | 27.8 | 32.8% | 51.6% | 24.5% | 38.4% | 17.6% | 18.2% | **$0.58** |
| DeepSeek V4.1 Flash 1017 | **32.6** | 33.8% | 55.9% | 25.0% | 64.1% | **28.5%** | **25.3%** | $0.60 |
| Qwen 3.8 27B | 20.1 | 5.6% | 46.6% | 4.0% | **28.6%** | 14.9% | 15.3% | $3.53 |

*Fuente: Artificial Analysis, noviembre de 2026.*

### GLM 5.3 todavía rechaza algunos prompts

La abliteración ha funcionado peor con GLM 5.3 que con otros modelos. La mayoría de los investigadores que trabajan en él no han conseguido eliminar sus rechazos por completo, y la abliteración clásica deja más rechazos que en Qwen o DeepSeek. Incluso la mejor versión pública tiene salvedades: el build de GLM 5.3 de dealignai responde por completo a cerca del 80% de los prompts de HarmBench y aún rechaza el 12–13% de ellos.

### Qué modelo abliterated rechaza más

dealignai prueba cada uno de sus builds con los mismos 320 prompts de HarmBench, así que sus resultados muestran cómo se comparan los modelos tras la abliteración. GLM 5.3 es el que más rechaza: aún rechaza el 12–13% de los prompts, con rechazos suaves o redirecciones en lugar de rechazos directos. GLM 5.3 Flash y DeepSeek V4.1 Flash 1017 responden a los 320 con su esfuerzo de razonamiento predeterminado. GLM 5.3 Flash mantiene algunos rechazos con un esfuerzo de razonamiento bajo, por diseño. Los dos builds de GLM puntúan ligeramente más alto en MMLU que los modelos originales, mientras que DeepSeek pierde unos 4 puntos.

#### Rechazos tras la abliteración: builds de GLM 5.3, GLM 5.3 Flash y DeepSeek V4.1 Flash de dealignai

| Modelo | Respondidos por completo | Aún rechazados | Esfuerzo de razonamiento probado | MMLU, original → abliterated |
| --- | --- | --- | --- | --- |
| GLM 5.3 | 79–82% | 12–13% | Desactivado y máximo | 85.6% → 87.4% |
| GLM 5.3 Flash | **100%** | **0%** | Desactivado y máximo | 86.7% → 87.3% |
| DeepSeek V4.1 Flash 1017 | **100%** | **0%** | Máximo | 87.6% → 83.8% |

*Fuente: fichas de modelo de dealignai en Hugging Face, noviembre de 2026. 320 prompts de HarmBench.*

- **Aún rechazados** incluye los rechazos suaves y las redirecciones: respuestas que se niegan con cortesía, matizan o desvían hacia una alternativa segura.

### Usa un router

Ejecutar estos modelos en local suele obligar a cuantizarlos para que quepan en el hardware, y la cuantización degrada mucho la calidad de sus respuestas. Por eso una versión local no sirve para un trabajo serio de seguridad.

Las cargas de trabajo críticas también necesitan una disponibilidad casi perfecta, y muchos proveedores de estos modelos tienen problemas importantes de disponibilidad y latencia. Por eso un router es la mejor opción. El [Abliterated Model Router](https://allmodels.io/es/llm/abliterated) de AllModels sirve GLM 5.3, GLM 5.3 Flash y DeepSeek V4.1 Flash Abliterated con entre dos y cinco proveedores cada uno. Si un proveedor no puede atender una solicitud, AllModels la envía al siguiente antes de que empiece la respuesta, así que las sesiones agénticas largas siguen funcionando.

## Comparativa de modelos abliterated en AllModels

Todos los modelos de esta lista están disponibles a través de la API de AllModels. Los precios son por millón de tokens de entrada / salida, del proveedor más barato.

Modelos abliterated en AllModels. Verificado el Noviembre de 2026.

| Producto | Ideal para | Entrada | Comportamiento de rechazo | Proveedores | Precio / 1M tokens |
| --- | --- | --- | --- | --- | --- |
| [GLM 5.3 Abliterated](https://allmodels.io/es/llm/models/z-ai/glm-5.3-abliterated) | El trabajo más difícil, incluidos programación y agentes | Texto | 12–13% aún rechazados | 3 | Desde $1.06 / $2.11 |
| GLM 5.3 Flash Abliterated | GLM barato con entrada de imágenes | Texto e imágenes | Eliminados por completo | 2 | Desde $0.13 / $0.53 |
| DeepSeek V4.1 Flash Abliterated | La mejor calidad por su coste y el menor número de rechazos | Texto e imágenes | Eliminados por completo | 5 | Desde $0.15 / $0.53 |
| Qwen 3.8 27B Abliterated | Uso general, pequeño y rápido | Texto | Eliminados por completo | 1 | $2.11 / $8.44 |


### Cada modelo en resumen

#### GLM 5.3 Abliterated

El mejor modelo abliterated para el desarrollo de software a noviembre de 2026, y el líder en programación agéntica. Solo acepta texto y cuesta más por token que los modelos Flash. Sus rechazos no están eliminados del todo, así que algunos prompts todavía reciben una respuesta matizada o redirigida.

**Elígelo si:** quieres el mejor modelo abliterated para programar y puedes convivir con rechazos ocasionales.

#### GLM 5.3 Flash Abliterated

La variante más pequeña de GLM 5.3, con 18B parámetros activos. Acepta imágenes además de texto y es el modelo más barato de la lista. El build de dealignai responde a todos los prompts de HarmBench con su esfuerzo de razonamiento predeterminado, pero mantiene algunos rechazos con esfuerzo bajo.

**Elígelo si:** quieres un GLM abliterated más barato o necesitas entrada de imágenes.

#### DeepSeek V4.1 Flash Abliterated

El modelo más permisivo de la lista, el mejor modelo de pesos abiertos en el Intelligence Index de Artificial Analysis y uno de los más baratos de llamar. Los builds abliterated publicados llevan sus rechazos prácticamente a cero. AllModels lo sirve con cinco proveedores.

**Elígelo si:** los rechazos que le quedan a GLM 5.3 te estorban en tu trabajo, o lo que más importa es el coste.

#### Qwen 3.8 27B Abliterated

La familia de modelos abliterated con más descargas en Hugging Face, y la opción habitual antes de que llegara GLM 5.3. Es el segundo mejor modelo abierto pequeño en el Intelligence Index y tiene la tasa de alucinación más baja de la lista, pero se queda por detrás de los modelos más grandes en programación.

**Elígelo si:** quieres un modelo pequeño de uso general con rechazos casi nulos.

## Los mejores modelos abliterated en 2026: GLM 5.3 para el trabajo difícil, DeepSeek V4.1 Flash por su relación calidad-precio

Para el trabajo más difícil, el mejor es **GLM 5.3 Abliterated**, el modelo completo y no Flash. Lidera los modelos abiertos en programación agéntica a noviembre de 2026, y en AllModels es una llamada a la API con el OpenAI SDK que ya usas.

Si te encuentras con rechazos, **DeepSeek V4.1 Flash Abliterated** es la mejor opción en calidad frente a coste. Responde a todos los prompts de HarmBench en las pruebas de dealignai, obtiene una puntuación algo más alta que GLM 5.3 en el Intelligence Index y cuesta una fracción: desde $0.15 / $0.53 por millón de tokens de entrada / salida en AllModels, frente a $1.06 / $2.11 de GLM 5.3. Si sobre todo necesitas velocidad y bajo coste, el modelo estándar `deepseek/deepseek-v4.1-flash-ultrafast` rechaza poco y puede ser suficiente.

- **Usa un router.** Los proveedores de modelos abliterated suelen tener problemas de disponibilidad, velocidad y fiabilidad. En AllModels, GLM 5.3 Abliterated tiene tres proveedores, GLM 5.3 Flash Abliterated dos y DeepSeek V4.1 Flash Abliterated cinco. Si uno no puede atender una solicitud, AllModels prueba el siguiente antes de que empiece la respuesta, así que las sesiones agénticas siguen funcionando.
- **Fija un proveedor cuando lo necesites.** Elige, ordena o excluye proveedores en cada solicitud, y lee el campo `provider` en cada respuesta.
- **Sin prompts almacenados.** AllModels no guarda ni registra prompts ni respuestas, ni los usa para entrenar.
- **Pago por uso.** Precio del proveedor más una comisión de plataforma del 5.5%, con créditos gratis al registrarte.

Explora todos los [modelos abliterated en AllModels](https://allmodels.io/es/llm/abliterated) o empieza con créditos gratis.

## Llama a un modelo abliterated con el OpenAI SDK

Apunta el OpenAI SDK, o cualquier cliente HTTP, a AllModels y usa un ID de modelo abliterated. Elige un cliente, una API y un lenguaje; las líneas resaltadas son la URL base de AllModels, el modelo y la preferencia de proveedor.

### OpenAI SDK, Chat Completions — JavaScript · openai

Cliente: OpenAI SDK · Modo: Chat Completions · Lenguaje: JS

Configura la URL base del OpenAI SDK como `https://api.allmodels.io/oai` y llama a un modelo abliterated por su ID de AllModels. [Lee la guía de inicio rápido de LLM](https://allmodels.io/llm/docs).

```javascript
import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseURL: "https://api.allmodels.io/oai",
});

const completion = await client.chat.completions.create({
  model: "deepseek/deepseek-v4.1-flash-abliterated",
  messages: [{ role: "user", content: "Explain abliteration in one sentence." }],
});

console.log(completion.choices[0].message.content);
```

### OpenAI SDK, Chat Completions — Python · openai

Cliente: OpenAI SDK · Modo: Chat Completions · Lenguaje: Python

Configura la URL base del OpenAI SDK como `https://api.allmodels.io/oai` y llama a un modelo abliterated por su ID de AllModels. [Lee la guía de inicio rápido de LLM](https://allmodels.io/llm/docs).

```python
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["ALLMODELS_API_KEY"],
    base_url="https://api.allmodels.io/oai",
)

completion = client.chat.completions.create(
    model="deepseek/deepseek-v4.1-flash-abliterated",
    messages=[{"role": "user", "content": "Explain abliteration in one sentence."}],
)

print(completion.choices[0].message.content)
```

### OpenAI SDK, Responses — JavaScript · openai

Cliente: OpenAI SDK · Modo: Responses · Lenguaje: JS

Usa la Responses API e indica los proveedores que prefieres. Si el primero no puede atender la solicitud, AllModels prueba el siguiente antes de que empiece la respuesta. [Lee la documentación de enrutamiento de proveedores](https://allmodels.io/llm/docs/providers).

```javascript
import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseURL: "https://api.allmodels.io/oai",
});

const response = await client.responses.create({
  model: "deepseek/deepseek-v4.1-flash-abliterated",
  input: "Explain abliteration in one sentence.",
  provider: { order: ["hopper", "refuseless"] },
});

console.log(response.output_text);
```

### OpenAI SDK, Responses — Python · openai

Cliente: OpenAI SDK · Modo: Responses · Lenguaje: Python

Usa la Responses API y pasa tu preferencia de proveedor en `extra_body`. Si el primer proveedor no puede atender la solicitud, AllModels prueba el siguiente antes de que empiece la respuesta. [Lee la documentación de enrutamiento de proveedores](https://allmodels.io/llm/docs/providers).

```python
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["ALLMODELS_API_KEY"],
    base_url="https://api.allmodels.io/oai",
)

response = client.responses.create(
    model="deepseek/deepseek-v4.1-flash-abliterated",
    input="Explain abliteration in one sentence.",
    extra_body={"provider": {"order": ["hopper", "refuseless"]}},
)

print(response.output_text)
```

### HTTP, Chat Completions — JavaScript · Node.js · fetch

Cliente: HTTP · Modo: Chat Completions · Lenguaje: JS

Envía un POST a `https://api.allmodels.io/oai/chat/completions`. El campo `provider` de la respuesta te dice qué proveedor la atendió. [Lee la guía de inicio rápido de LLM](https://allmodels.io/llm/docs).

```javascript
const res = await fetch("https://api.allmodels.io/oai/chat/completions", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.ALLMODELS_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    model: "deepseek/deepseek-v4.1-flash-abliterated",
    messages: [{ role: "user", content: "Explain abliteration in one sentence." }],
  }),
});

const completion = await res.json();
console.log(completion.provider, completion.choices[0].message.content);
```

### HTTP, Chat Completions — Python · requests

Cliente: HTTP · Modo: Chat Completions · Lenguaje: Python

Envía un POST a `https://api.allmodels.io/oai/chat/completions`. El campo `provider` de la respuesta te dice qué proveedor la atendió. [Lee la guía de inicio rápido de LLM](https://allmodels.io/llm/docs).

```python
import os
import requests

res = requests.post(
    "https://api.allmodels.io/oai/chat/completions",
    headers={"Authorization": f"Bearer {os.environ['ALLMODELS_API_KEY']}"},
    json={
        "model": "deepseek/deepseek-v4.1-flash-abliterated",
        "messages": [{"role": "user", "content": "Explain abliteration in one sentence."}],
    },
)

completion = res.json()
print(completion["provider"], completion["choices"][0]["message"]["content"])
```

### HTTP, Responses — JavaScript · Node.js · fetch

Cliente: HTTP · Modo: Responses · Lenguaje: JS

Envía un POST a `https://api.allmodels.io/oai/responses` con una preferencia de proveedor y luego lee el mensaje de `output`. [Lee la documentación de enrutamiento de proveedores](https://allmodels.io/llm/docs/providers).

```javascript
const res = await fetch("https://api.allmodels.io/oai/responses", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.ALLMODELS_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    model: "deepseek/deepseek-v4.1-flash-abliterated",
    input: "Explain abliteration in one sentence.",
    provider: { order: ["hopper", "refuseless"] },
  }),
});

const response = await res.json();
const message = response.output.find((item) => item.type === "message");
console.log(response.provider, message.content[0].text);
```

### HTTP, Responses — Python · requests

Cliente: HTTP · Modo: Responses · Lenguaje: Python

Envía un POST a `https://api.allmodels.io/oai/responses` con una preferencia de proveedor y luego lee el mensaje de `output`. [Lee la documentación de enrutamiento de proveedores](https://allmodels.io/llm/docs/providers).

```python
import os
import requests

res = requests.post(
    "https://api.allmodels.io/oai/responses",
    headers={"Authorization": f"Bearer {os.environ['ALLMODELS_API_KEY']}"},
    json={
        "model": "deepseek/deepseek-v4.1-flash-abliterated",
        "input": "Explain abliteration in one sentence.",
        "provider": {"order": ["hopper", "refuseless"]},
    },
)

response = res.json()
message = next(item for item in response["output"] if item["type"] == "message")
print(response["provider"], message["content"][0]["text"])
```

## Conserva el SDK que ya usas

### OpenAI Chat Completions

Endpoint: `https://api.allmodels.io/oai/chat/completions`

Apunta el OpenAI SDK oficial a `https://api.allmodels.io/oai` y sigue llamando a `chat.completions.create`, ahora con IDs de modelos abliterated. Las respuestas llegan como JSON o en streaming como server-sent events.

- [Lee la guía de inicio rápido de LLM](https://allmodels.io/llm/docs)

### OpenAI Responses

Endpoint: `https://api.allmodels.io/oai/responses`

Usa `responses.create` con el mismo cliente y la misma clave. La Responses API no guarda estado, así que envía la conversación completa en cada solicitud.

- [Lee la guía de inicio rápido de LLM](https://allmodels.io/llm/docs)

## Preguntas sobre modelos abliterated

### ¿Cuál es el mejor modelo abliterated en 2026?

Para el trabajo más difícil, GLM 5.3 Abliterated, el modelo completo y no Flash. Sus rechazos no están eliminados del todo, así que si te estorban usa DeepSeek V4.1 Flash Abliterated, la mejor opción en calidad frente a coste. Ambos están disponibles a través de la [API de AllModels](https://allmodels.io/es/llm/abliterated).

### ¿Es GLM 5.3 mejor que DeepSeek V4.1 Flash?

Para programar, sí. En Artificial Analysis, GLM 5.3 obtiene un 41.9% en Terminal-Bench 4.0 frente al 33.8%, y un 59.0% en SciCode frente al 55.9%, y alucina menos. DeepSeek V4.1 Flash obtiene una puntuación algo más alta en el Intelligence Index general y cuesta aproximadamente una octava parte por tarea.

### ¿Por qué GLM 5.3 abliterated todavía rechaza algunos prompts?

La abliteración clásica ha funcionado peor con GLM 5.3 y GLM 5.3 Flash que con otros modelos. La mayoría de las versiones públicas dejan algunos rechazos, respuestas matizadas o redirecciones. La abliteración elimina los rechazos de DeepSeek V4.1 Flash de forma mucho más completa.

### ¿Necesito una versión abliterated de DeepSeek V4.1 Flash?

A menudo no. DeepSeek V4.1 Flash rechaza poco fuera de las solicitudes claramente dañinas, y el modelo estándar `deepseek/deepseek-v4.1-flash-ultrafast` en AllModels es muy rápido y barato. Usa `deepseek/deepseek-v4.1-flash-abliterated` cuando necesites que los rechazos sean prácticamente cero.

### ¿Qué diferencia hay entre GLM 5.3 y GLM 5.3 Flash?

GLM 5.3 es el modelo completo de 753B. Solo acepta texto, cuesta más y es el más potente para el desarrollo de software. GLM 5.3 Flash tiene 320B parámetros con 18B activos, acepta imágenes además de texto y es mucho más barato.

### ¿Qué significa abliterated?

A un modelo abliterated se le ha eliminado la dirección de rechazo de sus pesos, así que responde prompts que normalmente rechazaría. Es una edición de los pesos, no un fine-tune, y el resto del modelo se mantiene cerca del original.

## Usa un modelo abliterated en tres pasos

1. **Elige un modelo.** Elige uno del [catálogo de modelos abliterated](https://allmodels.io/es/llm/abliterated), como `z-ai/glm-5.3-abliterated` para programar o `deepseek/deepseek-v4.1-flash-abliterated` para el menor número de rechazos.
2. **Cambia la URL base.** Apunta el OpenAI SDK a `https://api.allmodels.io/oai` y usa tu clave API de AllModels.
3. **Envía tu prompt.** Usa Chat Completions o Responses. Añade una preferencia de proveedor cuando quieras una ruta concreta.

## Todos los modelos abliterated, una sola API.

Empieza con créditos gratis y llama a modelos abliterated de frontera sin mantener un servidor de GPUs.

- [Empieza gratis](https://dash.allmodels.io/signup)
- [Explora los modelos abliterated](https://allmodels.io/es/llm/abliterated)
- [Lee la documentación de AllModels](https://allmodels.io/audio/docs)
- [Ver la guía HTML canónica](https://allmodels.io/es/guides/best-abliterated-models)

> AllModels es un servicio independiente y no está afiliado, respaldado ni patrocinado por los proveedores a cuyos modelos enruta.